*
 
*
RSSFutterkrippe
*
*

Über diese Seite

Sinn und Zweck

Die Informationsflut im Internet ist schier unerschöpflich. Mit dieser Seite möchte ich versuchen, Interessantes, Wichtiges, Informatives, Verblüffendes und Lustiges aus der Vielfalt des Netzes zu bündeln und dies möglichst aktuell. Dazu eignen sich RSS-Feeds besonders gut, da viele Internetseiten ihre News und Meldungen ständig aktuell via RSS der Netzgemeinde zur Verfügung stellen. So hat man bei jedem Aufruf der einzelnen Unterseiten die neuesten Informationen zu allen wichtigen Themen aus Weltgeschehen, Politik, Gesellschaft, Wissenschaft, Panorama und Recht. Auch der Spaß kommt nicht zu kurz. Cartoons, lustige Bilder, Satirisches und Kuriositäten kann man ebenso finden wie Witze und Videos.

Die Technik

Mit dem in PHP geschriebenen RSS-Parser SimplePie werden die Feeds eingelesen, direkt verarbeitet und als HTML wieder ausgegeben. Bei jedem Seitenaufruf werden die jeweils verlinkten Feeds vom Anbieter geladen, an den Parser gesendet und danach als Internetseite dargestellt. Eine selbstständige Aktualisierung erfolgt dabei nicht. Ein Klick auf F5 oder Aktualisieren im Browser lädt dann den Feed neu und stellt - wenn vorhanden - neue Infos zur Verfügung. Aktueller geht es kaum noch. Also viel Spaß mit dem HomeStory Futterautomaten.

Design & Programmierung:
hirni
Template: SiS Papenburg
RSS-Parsing: SimplePie
*

Interne Links

*
*
*
*
*
*
*

Das Design

Willkommen zum HomeStory RSS Futterautomaten. Design-Name: "Dunkle Seite".

Das Design ist bewusst düster gehalten, da die Realität auch oft düster ist. Außerdem gefällt mir dieser Gothic-Stil sehr gut. Selbstverständlich ist trotzdem Platz für gute Nachrichten und Spaß. Ihr kennt ja meine Vorliebe für schwarzen Humor...

Die merkwürdige Überschrift geht auf anfängliche Probleme mit Umlauten und Sonderzeichen zurück. Es bestand das Problem, dass entweder die Seite selbst oder die Fütterung Sonderzeichen falsch dargestellt hat und diente daher zu Testzwecken. Irgendwie habe ich die Überschrift dann aber lieb gewonnen und so gelassen.


Der Inhalt


Hier könnt Ihr stets die neuesten Nachrichten abrufen, interessante Infos zum Weltgeschehen, der aktuellen Politik und aus der Welt des Finanzwesens. Neues vom Sport, den aktuellen Wetterbericht, Wissenswertes aus Forschung und Technik, das neueste Netzgeflüster, Infos zu Gesundhiets- und Lifestylethemen, aktuelle Umwelt- und Tierschutzvorhaben sowie Klatsch und Tratsch aus der Promiwelt.

Auch Spaß und Freizeit kommen hier nicht zu kurz. Seht Euch lustige Bilder und Videos an, lacht über Satire, Witze und Cartoons oder träumt Euch in ferne Länder beim Lesen der neuesten Reiseinfos. Wer nicht verreisen kann, schaut einfach, was im Fernsehen oder im Kino so los ist oder guckt mal in die Rubrik Kurioses...

Rechtsthemen und Verbraucherinfos findet man im Service. Stöbert einfach mal durch die Kategorien, da ist bestimmt für jeden was dabei. In vielen Bereichen gibt es Informationen aus unterschiedlichen Quellen, um auch Vergleiche anstellen zu können. Unter den Einträgen habt Ihr die Möglichkeit, die Artikel komplett aufzurufen, wenn sie Euch interessieren, oder direkt ins Forum zurück zu gelangen.

Bei jedem Klick auf die einzelnen Themen werden die neusten Informationen aufgerufen, sodass man ständig aktuell informiert und unterhalten wird. Es lohnt sich also, öfters mal reinzuschauen, denn viele Feeds bieten sogar stündlich Neues. Über besonders interessante Sachen können wir dann ausgiebig im Forum sprechen.


Die Technik


Ausgelesen und angezeigt werden sogenannte RSS-Feeds. Vom englischen Wort Feed (dt. füttern/Fütterung) kam die Idee zur Bezeichnung Futterautomat. Die Seite funktioniert wie ein RSS-Reader, wobei eine interessante Auswahl an Feeds bereits vorgegeben ist.

Was ist eigentlichh RSS? Das ist ein spezielles, standardisiertes Format zur Bereitstellung von Informationen, meist von Internetseiten mit sich ständig ändernden Inhalten, die mit diesen Feeds auf diese neuen Inhalte hinweisen. Es steht für Really Simple Syndication. Unser Forum generiert z.B. auch RSS-Feeds, die Ihr hier lesen könnt... Wer es ganz genau wissen möchte, kann bei Wikipedia den Artikel zu RSS lesen.

Die Seite hier ist mein allererstes PHP-Projekt. Also verzeiht es mir, wenn hier und da nicht alles perfekt ist. Das liegt teils auch an den Feeds selbst.

Noch ganz kurz: Die einzelnen Teile der Seite (Menüs, Textblöcke, Kopf und Fuß) werden zentral gespeichert und von jeder Unterseite verwendet. Daher ist es möglich, globale Änderungen in nur einer Datei vorzunehmen, die sich dann auf alle Seiten auswirkt.

Wenn Ihr beispielsweise auch einen interessanten RSS-Feed kennt und diesen hier lesen möchtet, kann ich den problemlos hinzufügen. Wendet Euch dafür einfach per PN an mich. Weitere Infos zur Technik findet Ihr links unter dem Hauptmenü.

Euer hirni

So, dann lasst Euch mal ordentlich füttern:





Beginn der Fütterung



Legal Tribune Online - Aktuelles aus Recht und Justiz für Juristen

Das Rechtsmagazin LTO bietet Ihnen täglich aktuelle Rechtsnews, juristische Hintergründe, Tipps für Jurastudium, Job und Karriere und Services für Juristen.

EuGH-Generalanwalt zu Markenschutz für "Öko-Test": Kein Testsiegel ohne Test

Wo Öko-Test drauf steht, muss auch Öko-Test drin sein, oder? Ganz so eindeutig ist es nicht, wie eine Verhandlung vor dem EuGH zeigt. Doch der Generalanwalt meint, das Label dürfe nicht ohne Zustimmung des Verlags benutzt werden.

* * * 17 January 2019 | 2:20 pm * * *

Schlussanträge des EuGH-Generalanwalts: Rückenwind für Beck im Streit mit dem Spiegel

Im Urheberrechtsstreit zwischen dem Grünen-Politiker Volker Beck und dem Spiegel hat nun Generalanwalt Szpunar seine Schlussanträge gestellt. Er geht von einer Urheberrechtsverletzung durch das Online-Magazin aus.

* * * 10 January 2019 | 6:47 pm * * *

Streit um Kachelmann-Foto: Axel Springer scheitert auch in Straßburg

2011 untersagte das Landgericht Köln der Bild und ihrer Online-Ausgabe die Verbreitung eines Fotos, welches Jörg Kachelmann oberkörperfrei im Gefängnishof zeigte. Zu Recht, urteilte nun auch der EGMR.

* * * 10 January 2019 | 1:16 pm * * *

BGH zum Fotografieren im Museum: Verboten heißt verboten

Auch wenn Gemälde nicht unter das Urheberrecht fallen, darf man museumseigene Aufnahmen von diesen nicht einfach im Internet veröffentlichen. Das und weitere Fragen rund um das Fotografieren von Kunstwerken hat der BGH nun entschieden.

* * * 20 December 2018 | 11:59 am * * *

Google und die Presse: Generalanwalt hält deutsches Leistungsschutzrecht für unanwendbar

Die Erweiterung des Urheberrechtes, wonach Suchmaschinen auch an Presseverleger Lizenzgebühren zahlen müssen, muss unanwendbar bleiben. Der Gesetzgeber hätte vorher die Kommission notifizieren müssen, so Generalanwalt Hogan.

* * * 13 December 2018 | 5:43 pm * * *



Telemedicus

Recht der Informationsgesellschaft

Künstliche neuronale Netzwerke

Dieser Artikel ist Teil der Artikelreihe „Künstliche Intelligenz”.

Das Thema „Künstliche Intelligenz“ (KI) ist heutzutage in aller Munde und häufig fällt in diesem Zusammenhang das Wort „neuronales Netzwerk“. Was aber verbirgt sich hinter diesen Begriffen und wie hängen sie zusammen? Im Allgemeinen versteht man unter künstlicher Intelligenz Computerprogramme, die kognitive Aufgaben lösen. Zu diesen Aufgaben gehören zum Beispiel die Erkennung von Objekten, das Verständnis von Sprache oder die Entscheidungsfindung – Aufgaben, die wir tagtäglich in unserem Alltag meistern.

Eine Schlüsseltechnologie für die künstlichen Intelligenz ist das „Maschinelle Lernen“. Im Gegensatz zur klassischen Programmierung wird beim maschinellen Lernen der Algorithmus, also die Rechenanleitung, nicht vollständig durch den Programmierer vorgegeben. Stattdessen lernt der Algorithmus anhand von Trainingsdaten, eine bestimmte kognitive Aufgabe zu lösen. Das maschinelle Lernen umfasst eine Vielzahl von Ansätzen, unter denen die sogenannten künstlichen neuronalen Netzwerke „artificial neural networks (ANNs)“ eine bedeutende Rolle einnehmen, da es hier vor allem in den letzten Jahren bedeutsame Fortschritte gegeben hat.

In diesem Artikel werden wir den Aufbau sowie die Funktionsweise der ANNs erläutern. Des Weiteren diskutieren wir die aktuellen Herausforderungen der ANNs und der KI und erläutern mögliche Lösungsansätze.

Vom Aufbau des menschlichen Gehirns inspiriert


Wie oben beschrieben ist das Ziel der KI, kognitive Fähigkeiten nachzubilden. Hierbei ist es zunächst interessant, das menschliche Gehirn, die Grundlage unserer kognitiven Fähigkeiten, zu betrachten. Unser zentrales Denkorgan ist ein hochkomplexes Netzwerk aus mehreren Milliarden einzelner Nervenzellen, den Neuronen, welche durch Billionen Verbindungen zusammengeschaltet sind. Um kognitive Aufgaben zu erlernen, ist das Gehirn flexibel: Bestehende Verbindungen werden im Lernprozess verstärkt oder geschwächt oder es werden gänzlich neue Verbindungen aufgebaut.

Der Aufbau von ANNs ist durch den Aufbau des Gehirns inspiriert. Sie bestehen aus kleinen, miteinander vernetzten Recheneinheiten, die die Neuronen im Gehirn stark vereinfacht simulieren. Die künstlichen Neuronen erhalten eine Eingabe, werten damit eine mathematische Funktion aus und übermitteln ihre Ergebnisse an andere Neuronen, die damit weitere Berechnungen anstellen. Der Einfluss von einem Neuron auf ein anderes wird durch das Gewicht zwischen ihnen quantifiziert.

In diesem Zusammenhang ist es wichtig, den praktischen Aspekt der ANNs hervorzuheben. Zwar ist deren Aufbau durch das Gehirn inspiriert, Ziel ist aber nicht, die Funktionsweise des Gehirns zu verstehen oder realistisch nachzubauen. Tatsächlich geht es vorrangig darum, ein System zu entwickeln, welches eine bestimmte Aufgabe lösen kann. Um komplizierte Aufgaben zu lösen, bestehen ANNs heutzutage aus bis zu zehn Millionen Neuronen, welche typischerweise in vielen aufeinanderfolgenden Schichten angeordnet werden. Dadurch wird das Netzwerk „tief“, was im englischen mit dem Begriff „Deep Neural Networks“ oder allgemeiner auch „Deep Learning“ bezeichnet wird.

Wie wird ein solches System nun trainiert? Angenommen die Aufgabe ist es, Bilder von Objekten zu klassifizieren: Das neuronale Netzwerk soll erkennen, ob es sich bei einem Bild um einen Hund oder eine Katze handelt. Die Trainingsdaten bestehen aus einer sehr großen Anzahl von Bildern, die jeweils einer dazugehörigen Klasse zugeordnet sind, in diesem Fall also den Klassen „Hund“ oder „Katze“ (man spricht hier auch von annotierten Daten). Zunächst werden die Gewichte zwischen den Neuronen zufällig initialisiert. In einer Trainingsphase werden dem Netz die Bilder als Trainingsdaten präsentiert. Zu jedem Eingabebild berechnet das neuronale Netzwerk eine Ausgabe, welche mit dem richtigen Ergebnis (Hund oder Katze) verglichen wird. Weist die Ausgabe einen Fehler auf, werden die Gewichte durch Optimierungs-Algorithmen justiert, bis der durchschnittliche Ausgabefehler klein genug ist, um das Netz sinnvoll nutzen zu können.

Neuronale Netze erleben einen Boom


Die ersten ANNs wurden bereits in den 1940er Jahren erfunden. Daher stellt sich die Frage: Wieso sind künstliche neuronale Netze in den letzten Jahren plötzlich so populär geworden? Im Wesentlichen kann man ihren Erfolg auf vier Gründe reduzieren: Big Data, höhere Rechenleistungen, Fortschritt in den Optimierungs-Algorithmen sowie Open-Source-Bibliotheken.

Ein neuronales Netz benötigt annotierte Trainingsdaten, um eine Aufgabe zu lernen. Insbesondere gilt: Je schwieriger die Aufgabe ist, desto tiefer muss das Netzwerk sein und desto mehr Trainingsdaten werden benötigt. Im Zeitalter von Big Data sind Trainingsdaten jedoch oft massenhaft vorhanden. Die Betreiber webbasierter sozialer Netzwerke erhalten annotierte Daten von ihren Nutzern quasi nebenbei und kostenfrei geliefert, zum Beispiel in Form von mit Text versehenen Fotos.

Aufgrund der Größe der ANNs sowie der Anzahl der Trainingsdaten ist der Trainingsprozess sehr rechenintensiv. Früher wäre ein solches Training aufgrund limitierter Rechenleistung nur sehr langsam möglich gewesen. Demgegenüber stehen Fortschritte in der Computertechnologie, insbesondere die Implementierung von neuronalen Netzen auf leistungsstarken PC-Grafikkarten.

Zusätzlich haben unter anderem beträchtliche Forschungsinvestitionen der Technologie-Giganten wie Google, Amazon oder Facebook dazu geführt, dass Fortschritte bei den Optimierungs-Algorithmen gemacht wurden, die das Training effizienter und die Ergebnisse zuverlässiger machen. All diese Fortschritte werden in frei verfügbarer Software gebündelt, welche die Technologie der neuronalen Netze für jedermann zugänglich macht. Dadurch entsteht eine große und vernetzte Community, die die Entwicklung der Technologie weiter vorantreibt.

Der rasante Fortschritt spiegelt sich auf der einen Seite in wissenschaftlichen Durchbrüchen wieder. Für Aufsehen hat hier Googles „Alpha Go“ gesorgt, ein Programm, welches unter anderem durch neuronale Netzwerke gelernt hat, das Brettspiel „GO“ zu spielen. Letzteres ist um ein vielfaches komplexer als Schach, dennoch vermochte es der Algorithmus, den amtierenden Weltmeister in vier von fünf Spielen zu schlagen. Auf der anderen Seite stehen praktische Anwendungen. Neuronale Netzwerke hielten Einzug in unser tägliches Leben, zum Beispiel in der Spracherkennung durch moderne Smartphones. Auch die Industrie hat die Fähigkeit der Neuronalen Netze längst erkannt und setzt diese zum Beispiel zur Qualitätssicherung ein.

Aktuelle Herausforderungen: Wenig Daten und fehlende Nachvollziehbarkeit


Allen Erfolgen zum Trotz stößt der Einsatz von neuronalen Netzen außerhalb der IT-Industrie an Grenzen. Während IT-Unternehmen häufig über einen großen Bestand an annotierten Trainingsdaten (siehe oben) verfügen, ist dies bei Unternehmen aus traditionellen Branchen (beispielsweise in der Fertigung) keineswegs der Fall. Zwar sind auch hier oft massenhaft Daten vorhanden, allerdings ist es mit erheblichem Aufwand verbunden, diese zu annotieren, sodass sie für das Training tiefer neuronaler Netze benutzt werden können.

Neben den fehlenden Trainingsdaten gibt es eine weitere große Herausforderung. Neuronale Netzwerke stellen aufgrund ihrer Komplexität eine Black Box dar. Es ist nicht direkt nachvollziehbar, wie ein bestimmtes Ergebnis entstanden ist. Dies ist insbesondere dann von Bedeutung, wenn neuronale Netze in Bereichen eingesetzt werden sollen, in denen Entscheidungen sicherheitsrelevant sind oder aufgrund rechtlicher Vorgaben zwingend nachvollziehbar sein müssen, etwa bei der Kreditvergabe oder bei der Steuerung kritischer Anlagen oder Infrastrukturen.

Verschiedene aktuelle Forschungszweige stellen sich den Herausforderungen der fehlenden Daten sowie der unzureichenden Nachvollziehbarkeit. Ein Ansatz ist das „Transfer Learning“: Dabei werden Systeme zunächst für einen Anwendungsfall trainiert, für den es viele Daten gibt. Anschließend lernen die Algorithmen das eigentliche Problem mit vergleichsweise wenig Daten.

Ziel von „Interpretable AI“ ist es, Systeme zu entwickeln, die nachvollziehbar sind. Hier gibt es zwei grundlegend verschiedene Ansätze: Zum einen wird versucht, die inneren Prozesse neuronaler Netze im Nachhinein zu visualisieren und anschaulicher zu machen. Zum anderen wird versucht, die Systeme von vornherein so zu entwerfen, dass sie nachvollziehbar sind. Hier spielt „Informed Machine Learning“ eine entscheidende Rolle. Dieser Ansatz berücksichtigt die Tatsache, dass Unternehmen häufig über Expertenwissen verfügen, das in unterschiedlichster Form vorliegen kann. Die Beispiele hierfür reichen von ingenieurwissenschaftlichen Modellen bis hin zur jahrzehntelangen Erfahrung eines Mitarbeiters. Ziel des „Informed Machine Learnings“ ist es, dieses Expertenwissen systematisch in das maschinelle Lernen mit einzubringen. Dadurch werden Modelle zum einen nachvollziehbarer und zum anderen gleicht das zusätzliche Wissen die fehlenden Daten aus.

Zusammenfassung


Zusammenfassend bleibt zu sagen, dass Systeme, die auf neuronalen Netzen basieren, den Weg in unseren Alltag gefunden haben. Anwendungen wie Text- und Bilderkennung sind schon jetzt weit verbreitet. Die aktuelle Forschung widmet sich vor allem der Erschließung neuer Anwendungsfelder des maschinellen Lernens. Dies sind insbesondere Situationen, in denen nicht genügend annotierte Daten vorhanden sind. Eine weitere Herausforderung liegt darin, Ergebnisse, die mit Hilfe von tiefen neuronalen Netzen erzielt wurden, vor allem für kritische Anwendungssituationen nachvollziehbar zu machen. Hierbei wird die Kombination von wissens- und datengetriebenen Ansätzen, das „Informed Machine Learning“, von entscheidender Bedeutung sein.


Dr. Jannis Schücker
Foto: Alle Rechte vorbehalten
Dr. Jannis Schücker studierte Physik an der Universität Bielefeld und promovierte im Anschluss am Forschungszentrum Jülich im Bereich "Computational Neuroscience". Hierbei spezialisierte er sich auf die Dynamik neuronaler Netzwerke. Seit Anfang 2018 ist er als wissenschaftlicher Mitarbeiter im Fraunhofer-Forschungszentrum Maschinelles Lernen tätig und entwickelt neue verlässliche Verfahren des maschinellen Lernens, die aktuelle Herausforderungen beim Einsatz intelligenter Systeme in der Industrie adressieren.

* * * 16 January 2019 | 8:19 am * * *

"Recht und Kommunikation": Zusatzausbildung von Telemedicus und Bird & Bird

Wir bieten gemeinsam mit der Kanzlei Bird & Bird eine duale Zusatzausbildung an: „Recht und Kommunikation”. Auf die Zusatzausbildung kann sich jede(r) bewerben, der bei Bird & Bird in Frankfurt ein Praktikum, eine Referendarstation oder eine auf Zeit angelegte wissenschaftliche Mitarbeit machen möchte. Die TeilnehmerInnen arbeiten in den Räumen von Bird & Bird in ihrer jeweiligen Position als PraktikantInnen, MitarbeiterInnen oder ReferendarInnen und erhalten – zusätzlich - eine Ausbildung in Social Media und journalistischen Arbeitstechniken.

Was sind die Ausbildungsinhalte?


Einerseits: Die Praxis des anwaltlichen Arbeitens in einer technologieorientierten Großkanzlei. Beispielsweise die praxisnahe Bewertung von Rechtsfragen und die Betreuung von Verwaltungs- und Gerichtsverfahren. All dies mit Bezug zum Informations- und Kommunikationsrecht. Andererseits und zusätzlich: Die Zusatzausbildung „Recht und Kommunikation”.

Die Teilnehmer arbeiten ganz regulär in den Kanzleiräumen von Bird & Bird als ReferendarInnen, PraktikantInnen oder wissenschaftliche MitarbeiterInnen. Das ist erst einmal eine ganz normale Ausbildungsstation, mit allen normalen Ausbildungsinhalten und der entsprechenden Bestätigung für die Universitäten und Prüfungsämter. Zusätzlich dazu arbeiten die TeilnehmerInnen aber auch bei Telemedicus mit.

Worum geht es in der Zusatzausbildung?


Die Zusatzausbildung „Recht und Kommunikation” ist eine Praxisausbildung. Die TeilnehmerInnen erlernen nach dem Motto „learning by doing”:

• Ausdrucksstarke, korrekte und effiziente Schriftsprache
• Suche und Auswahl relevanter Themen
• Recherche und Faktencheck
• Verfassen von Fachartikeln und Wochenrückblicken
• Technische und wirtschaftliche Hintergründe von Social Media

Dazu verfassen die TeilnehmerInnen Blogartikel auf Telemedicus und lernen dabei die Praxis von Journalismus in Weblogs kennen.

Wer bietet die Ausbildung an?


Träger der Ausbildung ist der Telemedicus e.V. gemeinsam mit Bird & Bird LLP. Am Ende gibt es ein Zeugnis von Bird & Bird und eine Teilnahmebestätigung von Telemedicus.

Wo findet das Angebot statt?


In den Kanzleiräumen von Bird & Bird im Stadtzentrum von Frankfurt a.M.

Wer würde mich betreuen?


In erster Linie Dr. Simon Assion: Rechtsanwalt bei Bird & Bird und Redakteur bei Telemedicus.

Wann kann es losgehen?


Das Angebot ist zeitlich nicht an einen bestimmten Zeitpunkt gebunden. Bewerben Sie sich gerne für einen Zeitraum Ihrer Wahl.

Wie kann ich mich bewerben?


Man bewirbt sich schriftlich oder elektronisch direkt bei Bird & Bird. In der Bewerbung sollte natürlich der Hinweis enthalten sein, dass man sich nicht nur auf ein Praktikum, eine Mitarbeit oder eine Referendarstation in Frankfurt a.M. bewirbt, sondern auch auf die Zusatzausbildung „Recht und Kommunikation”.

Das Angebot bezieht sich auf den Standort Frankfurt a.M. und hat die üblichen Bewerbungsvoraussetzungen, die für eine Referendarsstation, wissenschaftliche Mitarbeit oder ein Praktikum in einer internationalen Großkanzlei notwendig sind.

Weitere Informationen in der offiziellen Ausschreibung.

* * * 15 January 2019 | 2:59 pm * * *

Machine Learning als wesentliches Element von KI

Dieser Artikel ist Teil der Artikelreihe „Künstliche Intelligenz”.

Einleitung


Die frühen KI-Forscher nahmen an, dass die Lösung einer jeden Aufgabe mit einer Abfolge von „wenn-dann“-Regeln beschrieben werden kann. In der Tat waren auch relativ schnell große Erfolge zu verzeichnen. Es stellte sich aber gleichzeitig schnell heraus, dass einige Lösungen eine so große Folge von „wenn-dann“-Entscheidungen benötigten, dass dies nicht mehr von Menschen manuell erstellt werden konnte.

Gleichzeitig begann in der Informationstechnologie das Zeitalter des Wissensmanagement und kurz darauf das Zeitalter von „Big Data“.

Die dem Wissensmanagement unterliegenden Theorien besagen, dass Menschen nicht auf Basis von Daten lernen, sondern auf Basis von Informationen bzw. Wissen.

Bild 1: Wissenshierarchie

Durch ständiges Wiederholen von Information oder durch ständiges Nutzen von Wissen entsteht hierdraus „Weisheit“. „Weisheit“ wird dabei nicht klassisch-philosophisch betrachtet, sondern eher als eine Form von verinnerlichtem Wissen, welches der Mensch bei dessen Nutzung nicht mal mehr wahrnimmt.

Ein Beispiel hierfür ist das Autofahren: die ersten Stunden in der Fahrschule sind sehr anstrengend, der Fahrschüler muss aktiv mitdenken, bevor er/sie schaltet, Gas gibt oder bremst. Die folgenden Stunden werden einfacher. Nach der erfolgreichen Führerscheinprüfung wird es immer besser. Nach mehreren hundert Stunden (oder 1.000 km) nimmt der Fahrer nicht mal mehr wahr, wie er/sie fährt. Alle Aktionen erfolgen automatisch, d.h., aus dem Wissen „Autofahren“ wurde die Weisheit „Autofahren“, welches so stark im Unterbewusstsein verankert ist, dass auch nach jahrelanger Nicht-fahrt es kaum ein Problem ist, wieder an einem Steuer zu sitzen.

Die Schwierigkeit entsteht, wenn einem solchen Menschen die Aufgabe gestellt wird, das Autofahren genau zu beschreiben – schritt für schritt, so dass es als Regel aufgeschrieben werden kann. So könnten daraus, bspw, folgende Schritte dokumentiert werden:

1. Auto finden
2. Auto aufschließen: (a) zur Fahrertür gehen; (b) Schlüssel aus der Tasche holen; (c) Schlüssel in die Tür einstecken; (d) Schlüssel in die richtige Richtung drehen; (e) Tür aufziehen...

Selbst in diesen zwei Schritten und den fünf Unterschritten können sehr viele Fehler, Ausnahme- und Sonderfälle auftreten (Auto finden: Garage? Parkplatz?; Auto aufschließen: Schlüssel dabei? In welcher Tasche? Klassischer Schlüssel oder Fernbedienung? Alarmanlage ausgeschaltet? ...). Die Anzahl der Schritte, bis das Auto tatsächlich losfährt, ist so immens, dass es keine Möglichkeit gibt, diese vollständig zu beschreiben. Damit ist es auch nicht möglich, mit den klassischen Methoden der Künstlichen Intelligenz zufriedenstellende Lösungen zu entwickeln, die praktisch nutzbar werden. Selbst die sogenannten Expertensysteme, die aus diesen Ansätzen entstanden, waren eine Enttäuschung. Eine manuelle Lösung für das Lernproblem war somit nicht möglich, es musste eine maschinelle Lösung gesucht werden.

Machine Learning


Machine Learning ist die Methode, mit der KI-Systeme geschaffen werden können, die „selbst lernen“ (das heißt maschinell lernen). Zwar wurden die Algorithmen für „Machine Learning“ bereits in den 90ern des vergangenen Jahrhunderts vervollständigt, der Durchbruch kam aber erst um das Jahr 2014 herum. Die Voraussetzungen zum effektiven Einsatz von Machine Learning waren bis etwa 2014 nicht gegeben: große Mengen an Daten, schnelle Computer und schneller und großer Massenspeicher – und alles zu einem akzeptablen Preis.

Problem des Machine Learning


Ein großes Problem des Machine Learning ist, dass Computer ausschließlich Daten verarbeiten können und keine Informationen oder Wissen (im Sinne des klassischen Wissensmanagement). Menschen wiederum arbeiten mit Informationen, Wissen und Weisheit. Wie oben im Falle vom Autofahren beschrieben ist für einen Menschen nahezu unmöglich, den Vorgang des Autofahrens (Wissen/Weisheit) in Informationen mit ausreichendem Detailgrad abzubilden (geschweige denn dies als Daten einem Computer bereitzustellen). Von daher brauchte es zuerst das Zeitalter von „Big Data”, bevor Machine Learning überhaupt umgesetzt werden konnte.

Wenn ein Internetnutzer bis vor wenigen Monaten beim Anmelden auf einer Website an sogenanntes „Re-Captcha“ (beispielsweise 9 Bilder werden angezeigt und man muss anklicken, auf welchem ein Auto ist, um zu beweisen, dass man ein Mensch ist) benutzte, so hat der Nutzer damit Trainingsdaten für Google's Bildererkennungssoftware geliefert. So hat Google über die Jahre eine große Menge an Trainingsdaten erzeugt, die sie zur Verbesserung ihrer Bilderkennung einsetzen können. Gleichzeitig war die Computerhardware bis vor wenigen Jahren nicht schnell genug, um diese großen Datenmengen zu verarbeiten. Erst als Grafikkarten schnell genug waren und die Experten erkannten, dass die Funktionalität einer Grafikkarte optimal für Machine Learning ist, wurden die ersten großen Fortschritte erzielt.

Worum geht es bei Machine Learning?


Jeder Internetnutzer hat schon mal eine solche Aufgabe bei Facebook, LinkedIn oder anderen sozialen Netzwerken gesehen:



Damit die Aufgabe gelöst werden kann, muss eine mathematische Formel gefunden werden. In diesem Falle ist die Formel relativ einfach: y = a*b+b-1, und damit die Antwort auf die letzte Zeile „98“. Wenn die Formel gefunden wurde, kann sie auf jede a/b-Kombination eingesetzt werden.

Beim Machine Learning geht es darum, dass eine Software solche Formeln sucht. Dabei ist die Aufgabenstellung etwas komplizierter. So könnte die Aufgabenstellung wie folgt aussehen:



Dabei wird nicht eine absolute, genaue Formel gesucht, sondern eine Formel, die allen Ergebnissen am nächsten herankommt: y [ungefähr=] a*b+b-1. Zur Vereinfachung der Vorgehensweise soll hier die Spalte „b“ weggelassen werden und statt „a“ wird „x“ verwendet. Zusätzlich wird in der Spalte „y“ eine Änderung vorgenommen, die die möglichen Werte für „y“ einfach auf 4 reduziert.



Jetzt wird der Software die Aufgabe gestellt, eine einzige mathematische Formel zu finden, die auf die Tabelle oben angewandt werden kann und die, wenn eine neue, noch nie gesehene Zahl in der Spalte „x“ hinzugefügt wird, ebenfalls eine richtige Antwort gibt. So könnte der Test, ob die Software die richtige Formel gefunden hat, damit erfolgen, dass man als „x“ die Zahl „6“ eingibt. Die richtige Antwort sollte „2“ sein (für die Interessierten: Hier wird die Frage gestellt, wieviele Bits gesetzt sein müssen, um die Zahl „x“ darzustellen).

Da die Software im Rahmen des Machine Learning die eigentliche Aufgabenstellung („Wie viele Bits müssen gesetzt sein, damit der Wert von „x“ dargestellt werden kann“) nicht kennt, kann sie nur anhand der „Trainingsdaten“ (d.h. der Daten, die sie als „x“ und korrespondierendes „y“) gesehen hat, versuchen Muster zu erkennen und diese Muster als mathematische Formel abzubilden.

In diesem Beispiel oben wäre die korrekt Formel y = bits(x). Diese Formel würde alle „x“ richtig (mit 100%iger Genauigkeit) beantworten. Was passiert jedoch, wenn statt Zahlen (für „x“) etwas anderes genutzt wird:



Die Spalte „y“ können auch mit Zahlen dargestellt werden („0=airplane“, „1=automobile“, „2=bird“, usw.) Ob Zahlen oder Text ist dabei nicht relevant.

Umsetzung

Im Rahmen des Machine-Learning wird jedes Foto in eine numerische Darstellungsform überführt. Ein Foto ist eine Information oder ein Wissen. Der Computer setzt dies zuerst in Daten um. Dazu werden die sogenannten „RGB“-Werte eines jeden Pixels (Rot/Grün/Blau) aus dem Foto herausgelesen. Im Normalfalle besteht jeder Pixel eines Fotos aus jeweils 256 Abstufungen von Rot, Grün und Blau. Das sind die tatsächlichen Daten eines Fotos. Wenn das Foto eine Größe von (beispielsweise) 28x28 Pixel umfasst, so ergeben sich 28*28*3 = 2.352 Dateneinheiten. Diese Dateneinheiten müssen mathematisch dargestellt werden. Wenn beispielsweise das erste Foto oben („airplane“) als folgende Datenreihe dargestellt wird: 17, 2456, 33, 1944, 2999, ... 255, 999 – so werden diese im Computer zurückgewandelt in die Zahlentabelle, wie wir sie oben hatten:



Machine Learning funktioniert jedoch nur (wie „Human Learning“ auch), wenn das zu lernende mit anderen Beispielen wiederholt wird:



Bei jedem Trainingsdurchlauf nimmt die Software (vereinfacht dargestellt) eines der Foto-Spalten, sucht nach einer Formel, die auf jede Zeile in der Spalte passt, und überprüft mit einer anderen Spalte, ob die Formel weiterhin gültig ist. Im Zahlenbeispiel oben, wo es darum geht, die Formel „y = bits(x)“ zu finden, ist es die Formel relativ einfach. Im Beispiel der Bildererkennung ist es weitaus komplizierter.

Details des Lernvorgangs

Bei sogenannten „Deep Neural Networks“, die heutzutage im Bereich Machine Learning eingesetzt werden, werden viele sogenannte Layer verwendet, um die mathematische Formel abzubilden.



Im einfachsten Falle werden die Zahlen, die die einzelnen Pixel darstellen („x“), mit einer Zufallszahl („w“) multipliziert. Gegebenenfalls wird noch eine zweite Zahl („b“) addiert. Dann wird vielleicht das Ergebnis zwischen 0 und 9 skaliert (im oben genannten Beispiel). Im gezeigten Bild zeigen die meisten Ergebnisse auf „1“. Das bedeutet, das die Wahrscheinlichkeit, dass es sich um eine „1“ handelt, am größten ist.

„Deep Neural Networks“ sind weitaus komplizierter. Die oben genannte Schritte werden gegebenenfalls 10 mal, 100 mal oder 1.000 mal durchgeführt. Zwischen den grünen Kreisen („Input Nodes“) und den blauen Kreisen („Output Nodes“) sind noch viele weitere Zwischenstufen:



Nachdem die Daten eines jeden einzelnen Bildes (vereinfacht dargestellt) bei den blauen Kreisen („Output Nodes“) als ein Ergebnis angekommen sind, wird analysiert, ob es als „bird“ („2“) erkannt wurde. Wenn dies nicht mit 100%-iger Sicherheit erfolgte, wenn also als Daten auch andere blaue Kreise („Output-Nodes“) ankamen, werden die „weights“ („w“) angepasst und das ganze nochmals durchgeführt.



Training, Testing, Inference

Unter „Training“ im Rahmen des Machine Learning wird das „Durchlaufen“ des gesamten KI-Algorithmus mit Daten versanden, bis die richtige (oder besser: „möglichst richtige“) Formel gefunden wurde. Ob es sich dabei um die richtige Formel handelt, zeigt der Test. Im Normalfalle werden die originären Trainingsdaten in zwei Einheiten aufgeteilt: „Train Data-Set“ und „Test Data-Set“ (90/10, oder 80/20). Der „Test Data-Set“ wird dabei dem Algorithmus während des Trainingsvorgangs nicht „gezeigt“, diese Daten bleiben dem Algorithmus unbekannt. Bei Trainings-Vorgang bekommt die Software jeweils „x“ und „y“, damit es auf „x“ trainieren und jeweils gegen „y“ sich selbst testen kann.

Der eigentliche Testvorgang mit dem trainierten Algorithmus (auch „Modell“ genannt) erfolgt ausschließlich mit „x“. Im Test-Modus kennt nur der Mensch „y“ und muss dann selbst die Ergebnis-„y“, die der Mensch von der Software bekommt, mit den eigentlichen, richtigen „y“ für jedes „x“ vergleichen. Die Erkennungsrate (%) wird dann protokolliert. Beim Testen wird der „Inference-Mode“ (im Gegensatz zum „Train-Mode“) eingesetzt. Das heißt, die Software versucht zu erkennen, worum es sich bei dem eingereichten „x“ (in unserem Beispiel ein Foto) handelt („to infer“).

Einschränkungen


Machine Learning benötigt sehr große Datenmengen, damit die Software ausreichend Beispiele für jede Kategorie hat. Im Fall der Bilderkennung mit den oben gezeigten Fotos („airplane“, ...) handelt es sich um einen Beispiel-Datensatz mit jeweils 6.000 Fotos pro Kategorie. Damit die Erkennungsrate möglichst hoch wird, sollten jedoch, selbst in diesem Falle, 10.000 bis 50.000 Fotos pro Kategorie genutzt werden.

Wenn 50.000 Fotos von Vögeln existieren, so erzeugt (bildlich gesprochen) die Software eine abstrakte Darstellung aller diese Vögel-Fotos in der mathematischen Formel. Da Menschen mit Informationen oder Wissen arbeiten, muss das menschliche Gehirn sehr geringe Mengen an Daten speichern, um Vögel als solche zu erkennen. Wie aus Bild 1 zu erkennen, sinkt der Speicherbedarf mit dem Grad der Wandlung von Daten Richtung Weisheit. Da die Menschen auch von Informationen und nicht von Daten lernen, braucht das menschliche Gehirn auch nur wenige Beispiele, damit es beispielsweise Vögel erkennen kann. Während des Lernprozesses kann das menschliche Gehirn auch automatisch Abgrenzungen zu anderen Tierarten automatisch durchführen.

Wenn ein Mensch beispielsweise noch nie ein Tier irgendeiner Art gesehen hat und diesem Menschen wird ein Vogel gezeigt und gesagt, dass es ein Vogel ist (weil es kein Mensch ist), so wird dieser Mensch mit sehr hoher Wahrscheinlichkeit jedes weitere Tier als Vogel einstufen (in Abgrenzung zum Menschen). Das menschliche Gehirn verfügt darüber hinaus über „hierarchisches Wissen“: Der Mensch weiß, dass ein selbst fliegendes Lebewesen ein Vogel und gleichzeitig ein Tier ist, da Vogel eine Untergruppe von „Tier“ ist.

Im Rahmen des Machine Learning muss die Software alle diese Informationen selbstständig „generieren“, in dem es Muster in den Beispieldaten erkennt. Dabei handelt es sich in keinster Weise um echte Intelligenz, wie es bei Menschen (und manchen Tieren) der Fall ist. Es ist, vereinfacht gesagt, nur eine mathematische Formel, die (im Beispiel der Fotos oben) ausschließlich die oben genannten Kategorien („airplane“, „bird“, ...) erkennen kann. Die so generierte Formel ist nicht in der Lage, zum Beispiel ein „Haus“ zu erkennen, oder Hunderassen zu unterscheiden, oder die Automarken zu erkennen, oder, noch einfacher, zu erkennen ob das gezeigte Flugzeug fliegt oder auf dem Boden ist.

Gefahren


Machine Learning ist eine Methode, die gesuchte mathematische Formel anhand von Beispieldaten automatisch finden zu lassen. Die größte Gefahr liegt in der Auswahl der Trainingsdaten. Klassische Aussagen „Garbage in, garbage out“ gelten insbesondere für Machine Learning, da die so erstellten KI-Modelle im Einsatz eine weitaus größere Auswirkung haben können.

Ein klassisches Beispiel sind KI-Modelle mit Vorurteilen. Dabei hat nicht die Formel die Vorurteile, sondern diese stecken ausschließlich in den Trainingsdaten. Manchmal wissen die Data-Scientists, die die Trainingsdaten erstellen, selbst nicht, dass sie Vorurteile haben:



Google „Translate“-Dienst wird primär von den Nutzern selbst korrigiert. Es wird angenommen, dass hier auch andere Quellen verwendet wurden. Im obigen Beispiel wird Englisch in Türkisch übersetzt. Die Übersetzung ist vollkommen korrekt.

Klickt man, nach dem die Übersetzung erfolgt ist, auf den markierten Knopf zur Rückübersetzung, kommt folgendes heraus:



Der Hintergrund ist, dass es im Türkischen keine Geschlechter (er/sie/es) gibt, sondern nur ein „o“ (für er/sie/es). Man könnte jedoch aus dieser Übersetzung schließen, dass nur Männer Ärzte sein können und Babysitter nur Frauen. Hier wäre eine bessere Analyse der Trainingsdaten und Erstellung eines neuen Wortes im Englischen (he_she) besser gewesen, denn es gibt viele Sprachen, die keine Geschlechterunterscheidung haben.

Resümee


Machine Learning ist eine gute Methode, um schnell hochkomplizierte KI-Modelle zu erstellen. Es braucht jedoch sehr große Mengen an Trainingsdaten, die auch handverlesen und qualitätsgesichert sein müssen, damit der „Lerneffekt“ richtig ist.

Aber letztendlich handelt es sich nur um mathematische Formeln und Algorithmen und nicht um echte Intelligenz, die auch selbstständig neues Wissen erzeugen kann. Da eine fehlerhafte Auswahl von Trainingsdaten große Auswirkungen haben kann, ist hierauf besonderes Augenmerk zu legen. Auch, oder insbesondere, kulturelle Einflüsse bei der Auswahl von Trainingsdaten müssen berücksichtigt werden, damit ein so trainiertes Modell dem Wohle der Menschen dient und diesen nicht schadet.

Es sind einige neue Verfahren am Horizont erkennbar, die KI-Modelle mithilfe des Machine Learning besser und effizienter gestalten lassen. Aber auch diese basieren immer auf Trainingsdaten, deren Qualität niemals „gut genug“ sein kann. Mitunter liegt die Hauptschwierigkeit darin, dass die meisten Menschen nicht wissen, was sie wissen und wie sie es wissen. Es wird weiterhin eine Herausforderung bleiben, das Wissen der Menschen in trainierbare Daten umzuwandeln.


Imdat Solak
Foto: Alle Rechte vorbehalten
Imdat Solak ist Gründer und Geschäftsführer der Munich AI-Labs. Mit über 35 Jahren IT-Erfahrung hat er bereits verschiedenste IT-Technologien erlebt und eingesetzt. Seit über drei Jahren beschäftigt er sich intensiv mit Künstlicher Intelligenz / Maschinelles Lernen (KI/ML). Insbesondere die praktische Anwendung dieser Technologien, aber auch deren mögliche Auswirkungen auf das Leben, die Gesellschaft aber auch die gesamte Wirtschaft sind Themen, die ihn stark beschäftigen. Er entwickelt weiterhin persönlich Software, mit Schwerpunkt auf AI/ML und Cybersecurity. Dadurch kennt sich Imdat persönlich in den Details der Technologien aus, über die er auch in seinen Vorträgen oder Veröffentlichung spricht. Imdat beschäftigt sich darüber hinaus mit den Themen "Effektives Management", hat hierzu mehrere Bücher veröffentlicht (einige noch in Arbeit), hält Vorträge und führt auch Schulungen zu den Themen durch. Zusätzlich zu diesen Tätigkeiten ist er auch als Vorstand (CTO) der Brabbler AG in München für die Produktentwicklung und Betrieb der Produkte "ginlo" und "ginlo@work" zuständig.

* * * 14 January 2019 | 8:03 am * * *

Artikelreihe: Künstliche Intelligenz

„Künstliche Intelligenz”: Kaum ein „Hype-Cycle”, kaum eine Studie und kaum ein Digitalisierungs-Artikel ohne sie. Dabei wissen – Hand auf's Herz – nur wenige, was sich dahinter wirklich verbirgt – oder was nicht. Die Informatik-Wissenschaft beschäftigt sich seit Jahrzehnten mit „Künstlicher Intelligenz”. Es gibt aber bis heute keine einheitliche Definition. Und doch: Die Anwendungsbeispiele mehren sich, KI-Startups sprießen aus dem Boden und Bürger fürchten, dass Computer bald die Weltherrschaft an sich reißen. Oder jedenfalls der Hälfte von uns den Job wegnehmen.

Doch was bedeutet „Künstliche Intelligenz”? Welche Rolle spielen „Machine Learning” und Neuronale Netzwerke im Bereich der KI? Welche Auswirkungen hat KI auf die Wirtschaft? Und welche Rechtsfragen wirft der Einsatz von KI auf? Kann KI Künstler sein? Wird es bald eine eigene Roboter-Persönlichkeit geben? Diesen und anderen Fragen wird sich die Telemedicus-Artikelreihe „Künstliche Intelligenz” in den nächsten Wochen widmen.

Die Telemedicus-Artikelreihe „Künstliche Intelligenz”


Die Telemedicus-Artikelreihe „Künstliche Intelligenz” will kurz und prägnant in das Thema einführen. Auf grundlegende Fragen will sie erste Antworten geben und zum Nachdenken und zur tiefergehenden Recherche anregen. Wichtig ist uns dabei, das Thema interdisziplinär zu beleuchten.

Folgende Beiträge sind Teil der Artikelreihe:

Technische Grundlagen von KI (Dr. Oliver Stiemerling, ecambria systems GmbH, Köln)
Machine Learning als wesentliches Element von KI (Imdat Solak, MUC AI Labs, München)
Neuronale Netze (Dr. Jannis Schücker, Fraunhofer IAIS, Sankt Augustin)
Algorithmen und KI (Lorena Jaume-Palasi, The Ethical Tech Society, Berlin)
Wirtschaftliche Auswirkungen von KI (Franziska Löw, Helmut-Schmidt-Universität, Institut für VWL, insb. Industrieökonomik, Hamburg)
Interview: Verknüpfung von Wissenschaft und Praxis im Bereich der KI (Prof. Dr. Tina Krügel, Institut für Rechtsinformatik, Leibniz Universität Hannover/Vorstand Robotics and AI Law Society (RAILS) e.V., Hannover)
Rechtsfragen: Chatbots (Adrian Schneider, Telemedicus/Osborne Clarke, Köln)
Rechtsfragen: Urheberschutz für KI-Werke (Fabian Rack, Telemedicus/FIZ Karlsruhe – Leibniz-Institut für Informationsinfrastruktur/Nolte Pustejovsky Rechtsanwälte, Freiburg; Oliver Vettermann, FIZ Karlsruhe – Leibniz-Institut für Informationsinfrastruktur/Lehrstuhl Prof. Gersdorf, Universität Leipzig)
Rechtsfragen: Kartellrechtlicher Algorithmen-TÜV (Sebastian Louven, Telemedicus/Carl von Ossietzky Universität Oldenburg/louven.legal)
Rechtsfragen: Künstliche Intelligenz und Datenschutzrecht (Fritz Pieper, Telemedicus/Taylor Wessing, Düsseldorf)

Rechtsfragen und darüber hinaus


Das Thema „Künstliche Intelligenz” ist vielgestaltig und facettenreich. Es wird deshalb keineswegs allein rechtlich, sondern interdisziplinär beleuchtet. Gerade die Rechtsfragen interessieren uns bei Telemedicus natürlich brennend. Es gibt bereits viele Artikel in juristischen Fachzeitschriften dazu. Auch online findet man einige Einleitungen und Grundlagen-Artikel.

Wir sehen unsere Artikelreihe als Ergänzung dazu. Wir wollen gleichwohl versuchen, „über den Tellerrand” zu schauen und versuchen, in das umfangreiche Thema aus verschiedenen fachlichen Blickwinkeln kurz und prägnant einzuführen. Nur so wird man dem Thema ansatzweise gerecht. Auf der anderen Seite sind dies nur einige von vielen Themenbereichen, die „Künstliche Intelligenz” ausmachen (hier sei beispielhaft nur das Inhaltsverzeichnis eines führenden technischen Lehrbuchs der KI erwähnt: Russel und Norvigs „AI: A Modern Approach”).

Ablauf


Jede Woche werden zwei Artikel veröffentlicht. Alle Artikel werden innerhalb von ungefähr sechs bis acht Wochen verfügbar sein. Die vorstehende Liste wird dann mit Links zu den veröffentlichten Artikeln ergänzt. Anregungen und Kommentare, auch zu weiteren Themen, nehmen wir gerne entgegen.

* * * 7 January 2019 | 7:46 am * * *



Ende der Fütterung





Rechtliche Informationen:

Alle angezeigten RSS-Feeds werden von externen Anbietern zur Verfügung gestellt und stellen ein Angebot dar, die Artikel und Beiträge auf deren Internetpräsenzen vollständig einzusehen. Das Urheberrecht liegt allein bei den Anbietern der Feeds. Dies gilt für Texte, Verlinkungen sowie Bild und Tonmaterial, welches in den Feeds ggf. bereitgestellt wird. HomeStory.org bietet mit dieser Seite lediglich die Möglichkeit, diese Feeds anzuzeigen. Die Seite macht sich die Inhalte zu keiner Zeit zu Eigen, da sie dynamisch nach Anklicken von Links direkt von den Anbietern geladen werden. Sie werden auf lokalen Servern weder zeitlich begrenzt noch dauerhaft gespeichert. Es handelt sich um einen reinen Online-RSS-Reader.

HomeStory.org verfolgt keinerlei kommerzielle Zwecke, ist komplett werbe- und kostenfrei und ist als kleine, private Internet-Community komplett als private Homepage einzustufen. Sollten Sie als Anbieter eines oder mehrerer der hier zu lesenden Feeds mit der Anzeige trotzdem nicht einverstanden sein, so wenden Sie sich bitte an den Seitenbetreiber unter den im Impressum (verlinkt am Seitenende links) angegeben Kontaktmöglichkeiten. Wir werden selbstvertändlich umgehend dafür sorgen, dass die entsprechenden Verlinkungen aus der Liste der angebotenen Feeds gelöscht werden.

Die Links in den Feeds zu den vollständigen Artikeln auf den Seiten der jeweiligen Anbieter werden niemals in Frames geöffnet, sodass eine Zueigenmachung fremder Inhalte verhindert wird. Bei den Inhalten der Feeds selbst handelt es sich aus urheberrechtlicher Sicht um reine Zitate mit Quellangabe. Als Quellangaben sind in den Abschnitten der einzelnen Arikel jeweils die Überschriften und die Grafik "ZUM ARTIKEL" zu verstehen, die die jeweiligen Quellen verlinken. Alle Feeds wurden und werden sorgfälltig ausgewählt und im Vorfeld geprüft. HomeStory.org bietet dabei weder hier noch im Forum in irgend einer Weise Platz für extremistische, sexuelle, verbotene und/oder sonstig anstößige Inhalte und Meinungen. Sollten trotz sorgfälltiger Prüfung und ständiger Moderation Inhalte auf diese Seite gelangen, die diesen Vorgaben widersprechen, so bitte wir jeden, der davon Kenntnis erhält, zur umgehenden Meldung, sodass wir Verlinkungen zu Feeds mit solchen Inhalten entfernen können.
*
Impressum


Counter
*

Quellen: Telekom | Duden | Mitteldeutsche | Rheinische Post | Spiegel | Focus | N-24 | Der Standard | Süddeutsche | Handelsblatt | openPR | FAZ | Kicker | wetter.com | wetter-vista | WetterKontor | Die Welt | SciLogs | Wikipedia | Aachener Zeitung | Gulli | Chip | med-Kolleg | Brigitte | UmweltBundesAmt | NaBu | Peta | WWF | GreenPeace | ImageTours | PopSugar | Posh24 | Spex | Stiftung Warentest | TV Spielfilm | klack.de | FilmStarts.de | KreisZeitung | nicht lustig | tot aber lustig | FonFlatter | TAZ Tom Touché | BildBlog | eineZeitung | QPress | UberHumor | LoLSnaps | myFunLink | GifAK | BrainBlog | YouTube | SpassMarktplatz | GetDigital | ZEHN.de | Bild | Witze.net | HaHaHa | twitze | LVZ | biallo | STB-Web | Marketing-Blog | RechtsIndex | AnwaltOnline | TeleMedicus | MahnErfolg.de | RatgeberRecht.eu

Credits: SiS Papenburg | SimplePie | NotePad++ | CSS | RSS | XML | Atom | mySQL | PHP | selfHTML | phpBB | Hetzner | Tabak | Kaffee

*
*
*
*
* * *